《表2 X轴BP神经网络学习结果》
本系列图表出处文件名:随高清版一同展现
《基于神经网络的宏/微双驱动运动平台误差预测及补偿技术研究》
根据所测得X轴5组定位数据,选择间距8mm的测量值计算误差。双向测量结果同一点定位误差计算平均值作为该点定位误差值。将5组数据分成3+1+1形式即Training样本数为3,Validation样本数为1,Testing样本数为1,其中前三组(x1~x3)作为输入层的训练样品数据,x4作为验证数据,x5作为测试结果数据。导入2.2节测得的5组定位数据,设定样本数据的70%进行训练,15%进行验证,15%进行测试,隐层神经元个数设定为10个。选择本次训练的算法为Levenberg-Marquardt算法。其结果,如表2所示。网络训练后,其网络误差性能随训练而变化的曲线,如图5(a)所示。随着学习次数的增加,试验网络拟合波动性能变弱,网络均方差值趋于0;并且通过验证数据表明最好的性能值在第二次学习时,数值为0.33823。根据网络学习结果绘制出训练数据、验证数据、测试数据的曲线回归情况,如图5(b)所示。最终宏/微双驱动定位进给系统X轴五组测量数据全体的拟合情况为R=0.66682。拟合完成后,根据拟合结果进行X轴定位进给误差的预测并通过宏/微双驱动定位进给协调控制软件系统进行几何误差补偿,从而提高机床的定位精度。采用相同方法对宏/微双驱动定位进给系统Y轴进行误差分析和补偿。对Y轴网络训练样品的5组数据采用间距8mm的测量值计算误差。导入样本数据。设定样本数据的70%进行训练,15%进行验证,15%进行测试,隐层神经元个数设定为10个。为了提高学习准确性,选用Scaled Conjugate Gradient算法,其结果,如表3所示。
图表编号 | XD00107300900 严禁用于非法目的 |
---|---|
绘制时间 | 2019.11.08 |
作者 | 王明强、奚浩、刘志强、纪飞飞 |
绘制单位 | 江苏科技大学机械工程学院、江苏科技大学机械工程学院、江苏科技大学机械工程学院、江苏科技大学机械工程学院 |
更多格式 | 高清、无水印(增值服务) |